Page 107 - 2021年第52卷第9期

表 6 粒度检测误差评价指标
粒度区间误差/% 筛级误差/%
场次 最大误差 最小误差 平均误差 最大误差百 最小误差 平均误差百
方差 方差
百分比 百分比 百分比 分比 百分比 分比
1 5.96 0.29 1.99 2.32 4.95 0.16 1.78 2.41
2 5.33 0.04 1.82 2.97 3.27 0.89 1.05 2.16
3 4.80 0.22 2.31 1.37 5.93 0 1.99 2.39
4 1.48 0.21 0.85 0.19 3.66 0.91 1.62 0.85
5 5.24 0.19 2.11 2.63 3.36 0.03 1.69 2.29
此外，通过 5 场筛分试验实测粒度级配曲线与本文方法检测粒度级配曲线得到各场次中值块度实
测值与检测值（见图 13）及实测块度与检测块度相对误差（见图 14）。根据图 14 可知，各场次相对误差
分别为：2.55%、3.71%、4.96%、5.50%、0，其中最大相对误差 5.50%，最小相对误差 0，平均误差
3.34%。对比文献［3］、文献［39］，本文得到的中值块度更加贴近真实结果，且最大相对误差不超过
［39］
15% ，符合工程实际要求。
综上所述，本文算法模型精度高于其它检测模型，得出的粒度分布曲线具有较高的参考价值。

实测值 6
检测值 5.50
0.26
0.249 0.252 0.255 5
0.25 0.255 4.96
0.24 4
0.239
块度值/m 0.23 相对误差/% 3 2.55 3.71
0.240
0.22
2
0.21 0.213
0.200
0.20 0.202 1
0.195 0.00
0.19 0
（1） （2） （3） （4） （5） （1） （2） （3） （4） （5）
试验场次号 试验场次号
图 13 实测块度与检测块度中值粒度对比图 图 14 实测块度与检测块度相对误差图

5 结论与展望

针对现有爆破堆石料粒度检测方法存在耗费时间及人力、模型检测精度较低等不足，本研究提
出了基于深度学习和 NCFS 算法相结合的堆石坝爆破料物粒度检测模型，实现了快捷、高效的堆石料
粒度检测，得出以下结论：（1）在基于迁移学习的 Deeplabv3+模型基础上，采用 DenseCRF 算法对堆
石料图像进行平面特征优化，结果显示测试集整体 MIoU 值达到 77.98%，对比 FCN-8S、U-net、Dee⁃
plabv3+三种方法分别提高 4.67%、3.1%和 3.41%，体现本文方法的准确性。（2）在堆石料粒度检测阶
段，将本文方法的检测结果与实际工程中的料物筛分试验结果对比，结果显示 5 场筛分试验的粒度
区 间 最 大 误 差 值 分 别 为 5.96%、 5.33%、 4.80%、 1.48%和 5.24%， 筛 级 最 大 误 差 值 分 别 为 4.95%、
3.27%、5.93%、3.66%和 3.36%，均符合工程实际需求。此外，5 场筛分试验中中值块度检测结果显
示最大相对误差为 5.5%，相比其它文献的方法更加贴近真实结果。（3）基于 MATLAB 语言编制了粒
度检测系统，为本文方法投入工程实际应用提供了可能。
根据本文试验和国内外研究，对 20 mm 以下较细颗粒检测，目前图像分析方法还不能给出较为
满意的结果，今后有必要在充分考虑料堆细颗粒分布特点基础上，探索结合光电、超声等手段的料
堆细颗粒检测方法。另外，结合目前智能化施工要求，研究爆破设计参数、施工爆破岩体结构属性
等对爆破块度的影响，构建更为智能化的堆石坝爆破料物粒度预测-检测和控制一体化系统，也是值

— 1113 —